SemiAnalysis 发布 GDPx 基准：最强模型也只完成12%的专业任务

11月2日，SemiAnalysis 发布了一套名为 GDPx 的新基准，专门衡量前沿模型在真实专业工作流中的智能体能力。首发榜单给出的第一个数字就很有冲击力：排名最高的模型平均只拿到12%的分数。

GDPx 的第一版规模不小：覆盖11个专业领域，共206道任务，由14家垂直数据合作方参与构建，榜单上有13个模型参与排名。与常见的问答式评测不同，这些任务默认给8小时的执行窗口，模型要在自带环境里自行规划、调用工具、交付结果，能用自己的原生工具链就用自己的，比如 Claude Code、Codex 和 Antigravity，没有就退回 OpenCode。

榜单本身也说明了问题。Anthropic 的 Claude Opus 5.5 以12.0%排在首位，Google 的 Gemini 4 Carbon 以10.9%紧随其后，OpenAI 的 GPT-6 Astra 以9.6%位列第三，排在末位的 Z.ai GLM 5.3 只有2.7%。换句话说，即便是当下最强的一批模型，在多数任务上仍然交不出合格交付物。

分领域的落差比总分更刺眼。金融与法律这两类任务，在原本设定的二值评分下所有模型都是零分，SemiAnalysis 只能改用部分得分来呈现结果；量化交易里，111次评分运行中有70次跑输了题目要求超越的参考策略。这不是“差一点”，而是在一批最值钱的工作上根本没有跨过及格线。

这套基准的野心写在设计里。团队把它定位为 OpenAI 早前 GDPval 的继任者，批评后者把所有上下文都喂进提示词、任务之间缺乏交互；GDPx 则试图还原真实的项目现场，比如金融类的24道任务重建了一桩基金以约8.8亿美元收购某零食制造商约62%股权的交易，材料摊开大约4000份匿名文件。每道题还按各自的评判方式打分，二值或者连续。

12%这个数字的意义不在于谁排第一，而在于它给“前沿模型已经能接手专业工作”的叙事划出了一条清晰的边界。对采购方来说，这意味着在金融、法律这类高风险场景里，智能体还只能当助手，不能当执行者；对模型厂商来说，榜单会成为发布材料里绕不开的参照系。另一个值得注意的细节是，SemiAnalysis 指出 Opus 5.5 与 GPT-6 Astra 的总分还被各自的安全分类器在网络安全、生物、对齐类任务上压低，安全策略正在变成评测分数的一部分。

接下来值得看三件事：独立团队能否复现这组结果；SemiAnalysis 承诺每3到6个月更新一版，新版任务会不会继续加码长周期与真实环境；以及各家模型厂商会不会在下一轮发布中直接引用 GDPx 分数。如果会，这套基准就真正确立了话语权。